所謂的激活函數(shù)，就是李宏毅老師講到的sigmoid函數(shù) 和 hard sigmoid函數(shù) ，ReLU函數(shù)那些

現(xiàn)在一點(diǎn)點(diǎn)慢慢探索，會成為日后想都做不到的經(jīng)歷，當(dāng)你啥也不會的時(shí)候，才是慢慢享受探索的過程。

有一說一，用chatGPT分解代碼是真的香！

part1:初始文件處理

補(bǔ)充關(guān)于Shell命令的相關(guān)知識?

(1)

?

?

(2)

??

(3)

?（4）

?

關(guān)于sys這個(gè)標(biāo)準(zhǔn)庫的補(bǔ)充知識：

?

?（5）

?

?（6）

這里定義了一個(gè)loadDataSet（fileName）的載入數(shù)據(jù)的函數(shù)，參數(shù)是一個(gè)文件名, 下面一點(diǎn)點(diǎn)的分析這個(gè)函數(shù)：

-首先：

定義了2個(gè)一維數(shù)組變量，dataMatrix就是用于存儲訓(xùn)練數(shù)據(jù)的東西，

labelMatrix就是用來存儲真實(shí)結(jié)果的數(shù)組

-然后：?

打開了一個(gè)文件，文件變量是fr

-之后：?

對這個(gè)文件的內(nèi)容逐行進(jìn)行處理,每一行的數(shù)據(jù)存儲到line變量中?

由于之后的regression函數(shù)代碼中調(diào)用的是這個(gè)文件中的數(shù)據(jù)，這里提前查看一下是啥？

?

?就是4行數(shù)據(jù)吧，應(yīng)該就是之前的pm2.5相關(guān)的數(shù)據(jù)

-再者，這里就是，比如上面的那個(gè)data.txt中的數(shù)據(jù)，一行有3個(gè)數(shù)據(jù)用"\t"制表符進(jìn)行分隔，結(jié)果就是這個(gè)3個(gè)數(shù)據(jù)作為curLine[]這個(gè)一維數(shù)組中的3個(gè)數(shù)據(jù)，反正感覺python對于數(shù)據(jù)的處理很方便

?

?

?-之后，

?

?

?所以，每一行，前2個(gè)數(shù)據(jù)給到dataMat,dataMat中的元素都是2個(gè)元素的一維數(shù)組，最后一個(gè)元素放到labelMat中，labelMat中的元素都是1個(gè)元素的一維數(shù)組

?

最后，返回這2個(gè)數(shù)組即可

part2:定義一個(gè)函數(shù)

?

這個(gè)standRegres( , )函數(shù)有2個(gè)參數(shù)，都是一維數(shù)組變量,之后轉(zhuǎn)換為numpy中的數(shù)據(jù)類型

?

?之后xTx就是矩陣xMat矩陣轉(zhuǎn)置乘xMat矩陣，但是，xMat本身是一個(gè)一維數(shù)組，我在想這個(gè)結(jié)果到底是一個(gè)N*N的矩陣呢？還是一個(gè)數(shù)值呢？先往下看看

?如果得到的矩陣的“行列式”的值是0，就直接返回了

?否則會計(jì)算一個(gè)ws，并且返回這個(gè)ws，我們來看看這個(gè)ws究竟是啥吧！

有點(diǎn)不理解這里的回歸系數(shù)是啥？先不管了?

part3:在最后的regression函數(shù)中：

（1）首先是調(diào)用loadDataSet函數(shù)獲取到data.txt中的數(shù)據(jù)并且規(guī)格化給到xMat和yMat，最后計(jì)算處ws這個(gè)回歸系數(shù)

?(2)感覺最后就是把這個(gè)回歸系數(shù)算出來了，就開始畫圖了,其實(shí)吧，我感覺整個(gè)的就干了一件事，就是這個(gè)“回歸系數(shù)”吧，就是那個(gè)直線的斜率，感覺上面就是高中的算了一個(gè)斜率，服了

?算了，還是解釋一下這里的畫圖過程吧：

?

?

也就是說，先畫出真實(shí)值的散點(diǎn)圖，然后，繪制一個(gè)由xMat和回歸系數(shù)ws得到的直線

?

?